Buchumschlag

Is the Last Layer Sufficient for Uncertainty Quantification?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wilson, Joseph, van der Heide, Chris, Hodgkinson, Liam, Roosta, Fred
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Uncertainty Quantification with the Empirical Neural Tangent Kernel
von: Wilson, Joseph, et al.
Veröffentlicht: (2025)

The Interpolating Information Criterion for Overparameterized Models
von: Hodgkinson, Liam, et al.
Veröffentlicht: (2023)

Determinant Estimation under Memory Constraints and Neural Scaling Laws
von: Ameli, Siavash, et al.
Veröffentlicht: (2025)

Temperature Optimization for Bayesian Deep Learning
von: Ng, Kenyon, et al.
Veröffentlicht: (2024)

Free Decompression with Algebraic Spectral Curves
von: Ameli, Siavash, et al.
Veröffentlicht: (2026)

Spectral Estimation with Free Decompression
von: Ameli, Siavash, et al.
Veröffentlicht: (2025)

Uncertainty-Aware Diagnostics for Physics-Informed Machine Learning
von: Daniels, Mara, et al.
Veröffentlicht: (2025)

Multivariate Bayesian Last Layer for Regression with Uncertainty Quantification and Decomposition
von: Wang, Han, et al.
Veröffentlicht: (2024)

A Regularization-Sharpness Tradeoff for Linear Interpolators
von: Hu, Qingyi, et al.
Veröffentlicht: (2026)

Importance Sampling for Nonlinear Models
von: Rajmohan, Prakash Palanivelu, et al.
Veröffentlicht: (2025)

Models of Heavy-Tailed Mechanistic Universality
von: Hodgkinson, Liam, et al.
Veröffentlicht: (2025)

Bi-level Guided Diffusion Models for Zero-Shot Medical Imaging Inverse Problems
von: Askari, Hossein, et al.
Veröffentlicht: (2024)

Is Last Layer Re-Training Truly Sufficient for Robustness to Spurious Correlations?
von: Le, Phuong Quynh, et al.
Veröffentlicht: (2023)

On Uncertainty Quantification for Near-Bayes Optimal Algorithms
von: Wang, Ziyu, et al.
Veröffentlicht: (2024)

First-ish Order Methods: Hessian-aware Scalings of Gradient Descent
von: Smee, Oscar, et al.
Veröffentlicht: (2025)

How many classifiers do we need?
von: Kim, Hyunsuk, et al.
Veröffentlicht: (2024)

Function Space Diversity for Uncertainty Prediction via Repulsive Last-Layer Ensembles
von: Steger, Sophie, et al.
Veröffentlicht: (2024)

The Geometric Wall: Manifold Structure Predicts Layerwise Sparse Autoencoder Scaling Laws
von: Zaher, Eslam, et al.
Veröffentlicht: (2026)

Manifold Integrated Gradients: Riemannian Geometry for Feature Attribution
von: Zaher, Eslam, et al.
Veröffentlicht: (2024)

On Subjective Uncertainty Quantification and Calibration in Natural Language Generation
von: Wang, Ziyu, et al.
Veröffentlicht: (2024)

Gradient-enhanced deep Gaussian processes for multifidelity modelling
von: Bone, Viv, et al.
Veröffentlicht: (2024)

A Framework for Uncertainty Quantification Based on Nearest Neighbors Across Layers
von: Font, Miguel N., et al.
Veröffentlicht: (2025)

Closed-Form Last Layer Optimization
von: Galashov, Alexandre, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Deep Learning
von: van Leeuwen, Peter Jan, et al.
Veröffentlicht: (2024)

Epistemic Wrapping for Uncertainty Quantification
von: Sultana, Maryam, et al.
Veröffentlicht: (2025)

Counterfactual Explanations on Robust Perceptual Geodesics
von: Zaher, Eslam, et al.
Veröffentlicht: (2026)

SALSA: Sequential Approximate Leverage-Score Algorithm with Application in Analyzing Big Time Series Data
von: Eshragh, Ali, et al.
Veröffentlicht: (2023)

Last Layer Empirical Bayes
von: Villecroze, Valentin, et al.
Veröffentlicht: (2025)

Uncertainty Quantification With Multiple Sources
von: Ying, Mufang, et al.
Veröffentlicht: (2024)

Position: There Is No Free Bayesian Uncertainty Quantification
von: Melev, Ivan, et al.
Veröffentlicht: (2025)

Richer Bayesian Last Layers with Subsampled NTK Features
von: Calvo-Ordoñez, Sergio, et al.
Veröffentlicht: (2026)

Uncertainty Quantification for Quantum Computing
von: Bennink, Ryan, et al.
Veröffentlicht: (2026)

Uncertainty Quantification in the Tsetlin Machine
von: Helin, Runar, et al.
Veröffentlicht: (2025)

Uncertainty Quantification in SVM prediction
von: Anand, Pritam
Veröffentlicht: (2025)

Accurate Remaining Useful Life Prediction with Uncertainty Quantification: a Deep Learning and Nonstationary Gaussian Process Approach
von: Xu, Zhaoyi, et al.
Veröffentlicht: (2021)

Activation-Space Uncertainty Quantification for Pretrained Networks
von: Bergna, Richard, et al.
Veröffentlicht: (2026)

On the Uncertainty Quantification Ability of Tabular Foundation Models
von: Johnson, Tyler R., et al.
Veröffentlicht: (2026)

Variational Bayesian Last Layers
von: Harrison, James, et al.
Veröffentlicht: (2024)

Uncertainty Quantification Metrics for Deep Regression
von: Lind, Simon Kristoffersson, et al.
Veröffentlicht: (2024)

Interventional Processes for Causal Uncertainty Quantification
von: Dance, Hugh, et al.
Veröffentlicht: (2024)